ECCVMar, 2022

Social-Implicit: 重新思考轨迹预测评估和隐式最大似然估计的有效性

PDF
TL;DR提出通过使用新的度量标准来解决现有度量标准不足以全面描述生成样本的问题，该度量标准为平均马氏距离（AMD），其量化整个生成样本与真实值的接近程度并引入了平均最大特征值（AMV）指标量化预测的总体展宽程度，同时提出使用隐式最大似然估计（IMLE）代替传统生成模型来训练 Social-Implicit 模型，该模型具有 5.8K 参数、高达 580Hz 的实时运行速度和竞争性的结果。
trajectory predictionmetricgenerative modelsdeep learningsocial-implicit
发现论文，激发创造
  • 离散潜变量模型自适应扰动梯度估计

    本研究提出了第一个自适应梯度估计器 AIMLE，用于复杂离散分布的 IMLE，通过交换梯度信息密度和估计偏差的程度，自适应地确定目标分布，实验证明 AIMLE 能产生忠实的梯度估计，而需要比其他梯度估计器少数个数量级的样本。

    Sep, 2022

  • 重新思考 FID：为图像生成提供更好的评估度量

    FID 作为生成图像的主要质量度量标准存在一些问题，我们提出了一个基于更丰富的 CLIP 嵌入和最大均值差异距离的高斯 RBF 核的新的替代度量标准 CMMD，通过实验证明 FID 评估文本到图像模型的可靠性较低，而 CMMD 则提供了更强大和可靠的图像质量评估方法。

    Nov, 2023

  • 在线自适应马氏距离估计

    本文介绍了在 Mahalanobis 距离中应用草图技术加速算法的研究，提供了适用于 Mahalanobis 距离的数据结构，可处理自适应查询和在线更新，并与在线学习 Mahalanobis 度量的先前算法相结合。

    Sep, 2023

  • 基于能量的自动模型评估

    提出一种新的度量 - 元分布能量 (MDE)，用于提高自动模型评估框架的效率和效果，通过建立与个体样本相关的信息（能量）的元分布统计，并借助基于能量的学习提供更平滑的表示。验证了 MDE 在多模态、不同数据集和不同架构背景下的有效性以及与之前方法相比的优越性，并证明了 MDE 与分类损失的理论联系。同时展示了 MDE 与大规模模型的无缝集成以及在具有噪声或不平衡标签的学习场景中的简便适应性。

    Jan, 2024

  • 联合度量很重要：轨迹预测的更好标准

    本文针对轨迹预测的常见问题，首次全面评估了最新的预测方法，提出并优化了基于联合度量的新损失函数，可以显著提高以前的最佳表现，并在交互建模方面显著改进，结果基于 ETH/UCY 和 Stanford Drone 数 据集提供了证明。

    May, 2023

  • 隐式最大似然估计：通过离散指数族分布反向传播

    该论文提出了一种基于离散指数族分布和可微神经组件相结合的模型的端到端学习框架 Implicit Maximum Likelihood Estimation（I-MLE），并介绍了一种新型的噪声分布 perturb-and-MAP，该框架在几个数据集上表现良好，并且与依赖于特定问题松弛的现有方法相比竞争力强。

    Jun, 2021

  • 通过随机实验测量训练数据对深度学习预测的影响

    本研究提出了一种基于因果推论和随机实验的新算法，通过采样训练数据的不同子集进行训练，评估每个子模型的行为，使用 LASSO 回归来估计每个数据点的 AME，并只需要 O (klogN) 的数据点估计其表现。

    Jun, 2022

  • 最大均值差异下的生成模型统计推断

    本文介绍了一种基于最小距离估计的统计模型，即对于可能性不易计算的生成模型，通过指定核函数，作为一个度量距离的最大均值差异（MMD）可以用来进行最小距离估计，同时结合自然梯度下降算法的应用使这种估计更加高效和鲁棒。

    Jun, 2019

  • 使用高阶矩来评估 GAN 生成的图像特征质量

    探索了基于图像特征数据的高斯分布的假设并通过定义新的测量方法，即偏度内插距离（SID），来扩展既定评估标准 Fréchet Inception Distance（FID）。数值实验结果表明，SID 在评估 ImageNet 数据的图像特征时要么与 FID 保持一致，要么更贴近人类感知。

    Oct, 2023

  • FFAD：利用傅立叶变换和自编码器评估生成的时间序列数据的新型指标

    通过使用傅里叶变换和自编码器，提出了一种新的评估基于深度学习生成的时序数据质量的方法，命名为 Fréchet Fourier-transform Auto-encoder Distance (FFAD)，该方法展示了在区分不同类别样本方面的潜力，从而为生成时序数据的评估方法提供了基础工具。

    Mar, 2024